MLOps Academy · Pelajaran

Jenis Model MLflow

Pakejkan model bersama kebergantungan dan tandatangannya.

Pelajaran 2 daripada 413 langkah

Jenis Model MLflow ialah pelajaran MLOps Academy percuma di CoddyKit. Ini ialah pelajaran 2 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran MLOps Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus MLOps Academy merangkumi sejumlah 4 pelajaran.

Melangkaui Fail Mentah

Pickle kosong hanyalah bait. MLflow membungkus model anda dalam folder yang menerangkan dirinya sendiri supaya sesiapa sahaja boleh memuatkannya tanpa perlu meneka caranya. 📦

Apakah Perisa?

Perisa MLflow ialah format yang diketahui, seperti sklearn atau pytorch, yang memberitahu MLflow dengan tepat cara menyimpan dan memuat model tersebut.

Satu Model, Banyak Perisa

Satu model yang disimpan boleh mengandungi beberapa perisa. Ini membolehkan alat yang berbeza memuatkannya dengan cara masing-masing daripada artifak yang sama.

Simpan dengan Perisa

Gunakan modul yang sepadan untuk merekodkan model. Untuk scikit-learn, panggil mlflow.sklearn.log_model di dalam satu larian.

import mlflow.sklearn
mlflow.sklearn.log_model(model, name='model')

Fail MLmodel

Setiap model yang disimpan mempunyai fail YAML MLmodel yang menyenaraikan perisa, tandatangan dan cara memuatkannya semula. Fail ini ialah kad pengenalan model.

Kebergantungan Turut Dibawa

MLflow merekodkan pustaka yang diperlukan oleh model anda dalam fail conda.yaml atau fail keperluan, supaya persekitaran yang sama boleh dibina semula kemudian.

Perisa pyfunc

Kebanyakan model turut mendapat perisa pyfunc sejagat. Perisa ini menyediakan satu panggilan predict yang ringkas tanpa mengira rangka kerja di bawahnya. 🔑

Muat sebagai pyfunc

Memuat melalui pyfunc memberikan anda objek umum dengan predict, jadi kod penyediaan anda kekal sama merentas rangka kerja.

import mlflow.pyfunc
m = mlflow.pyfunc.load_model('runs:/<id>/model')
m.predict(X)

Muat Semula dalam Bentuk Asli

Anda juga boleh memuat semula dalam rangka kerja asal dengan pemuat yang sepadan, lalu mendapatkan objek asli sepenuhnya dan bukannya pembungkus umum.

model = mlflow.sklearn.load_model('runs:/<id>/model')

Model pyfunc Tersuai

Tiada perisa terbina dalam yang sesuai? Subkelaskan PythonModel dan tulis predict anda sendiri untuk membungkus sebarang logik ke dalam format pyfunc.

class MyModel(mlflow.pyfunc.PythonModel):
    def predict(self, ctx, X):
        return self.run(X)

Mengapa Ia Penting

Perisa menjadikan model benar-benar mudah alih: latihan, pendaftaran dan penyediaan semuanya menggunakan format yang sama tanpa kod penghubung khas.

Semakan Pantas

Marilah menyemak kefahaman anda tentang perisa MLflow.

Jawab dalam pelajaran interaktif

Imbas Kembali

Model MLflow ialah folder yang menerangkan dirinya sendiri, dengan perisa, fail MLmodel dan kebergantungan yang ditetapkan versinya, serta boleh dimuat secara asli atau sebagai pyfunc sejagat. 🎉

Percuma untuk bermula

Pelajari Python dengan tutor kecerdasan buatan — percuma

Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.

Kursus: 30
Pelajaran: 120

Mula belajar secara percuma Lihat kursus penuh

Soalan Lazim

Adakah pelajaran “Jenis Model MLflow” percuma?

Ya — teks penuh “Jenis Model MLflow” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus MLOps Academy, tingkat taraf kepada CoddyKit PRO. Kursus MLOps Academy merangkumi sejumlah 4 pelajaran.

Apakah yang akan saya pelajari dalam “Jenis Model MLflow”?

Pakejkan model bersama kebergantungan dan tandatangannya. Anda berlatih MLOps Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.

Adakah saya memerlukan pengalaman untuk memulakan MLOps Academy?

Tiada pengalaman terdahulu diperlukan. Pembelajaran MLOps Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 2 daripada 4.

Berapa lamakah pelajaran “Jenis Model MLflow” diambil?

Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.

Bolehkah saya menulis dan menjalankan kod dalam pelajaran MLOps Academy ini?

Ya. Setiap pelajaran MLOps Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.

Semua pelajaran dalam kursus ini

← Kembali ke MLOps Academy